RecherchearXiv cs.RO 4 août 2026

3D-CovDiffusion : modèle de diffusion 3D pour la planification de trajectoires de couverture

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent 3D-CovDiffusion, un modèle de diffusion conditionné par la géométrie pour la planification de trajectoires de couverture en robotique industrielle, décrit dans une version révisée (v2) publiée sur arXiv (2510.03011). Contrairement aux approches qui assemblent après coup des segments de trajectoire non ordonnés via des heuristiques, la méthode reformule le problème comme une génération de séquence conditionnelle : elle synthétise directement, à partir d'un nuage de points 3D brut, des trajectoires continues et temporellement ordonnées, découpées en blocs simplement concaténés dans l'ordre. Une seule politique partagée traite des géométries variées sans architecture spécifique par catégorie d'objet. Sur des benchmarks étendus, les auteurs rapportent une distance de Chamfer point à point inférieure de 98,2 % par rapport aux meilleures méthodes d'apprentissage antérieures, un jerk (à-coup) réduit de 97,0 %, signe de trajectoires plus lisses, et une couverture de surface supérieure de 67,5 points de pourcentage en moyenne.

La planification de trajectoires de couverture conditionne directement la qualité de finition et le temps de cycle en peinture, polissage et revêtement par pulvérisation industriels. Les méthodes existantes, géométriques ou fondées sur l'apprentissage par segments, nécessitent souvent un post-traitement pour reconstituer un ordre cohérent, ce qui introduit des artefacts et limite la généralisation entre formes d'objets. En montrant qu'une politique de diffusion unique peut générer directement des séquences ordonnées et se généraliser sans réglage par catégorie, ce travail renforce l'idée que les modèles de diffusion conditionnés peuvent remplacer des pipelines de planification fait main, argument déjà avancé pour la manipulation robotique mais encore peu exploré pour la couverture de surface. Les gains chiffrés restent toutefois issus de benchmarks internes aux auteurs, sans validation en environnement industriel réel mentionnée dans l'abstract.

Ce travail prolonge les "diffusion policies" désormais courantes en apprentissage par imitation pour la manipulation, ici transposées à un problème historiquement traité par la planification classique (trajectoires en boustrophédon) ou par des méthodes d'apprentissage assemblant des segments locaux. Classée "replace" sur arXiv, la publication correspond à une mise à jour d'un article existant plutôt qu'à une annonce produit ; aucun industriel ni site de déploiement n'est cité, ce qui situe la contribution au stade académique plutôt qu'au transfert commercial. La suite logique attendue serait une validation sur cellule robotique réelle, comparée aux outils de programmation de trajectoire actuellement utilisés en production.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

VOiLA : planification en ligne vectorisée avec modèle de diffusion pour agents POMDP

Des chercheurs ont soumis sur arXiv (réf. 2606.19729) VOiLA, un framework de planification robotique qui apprend des modèles POMDP génériques via diffusion conditionnelle pour planifier sous incertitude partielle, sans nécessiter de modèles physiques codés manuellement. Les diffusion samplers sont distillés en générateurs feedforward compacts intégrés au planificateur VOPP, exploitant la parallélisation GPU pour réduire le coût d'échantillonnage de près de mille fois. Sur trois benchmarks standards, VOiLA atteint des performances égales ou supérieures à Recurrent Soft Actor Critic (RSAC) avec moins de 10 % de ses données d'entraînement. Sur robot physique, les modèles appris exclusivement en simulation permettent de réussir 10 tâches sur 10 en conditions réelles. Le résultat le plus saillant est ce taux de succès sim-to-real de 100 % : les modèles, entraînés sans aucune donnée réelle, fonctionnent en conditions physiques sans dégradation, validant directement la robustesse du transfert simulation-réalité. La frugalité en données est tout aussi notable : surpasser RSAC avec moins d'un dixième de ses données d'entraînement suggère que la structure imposée par les modèles de diffusion compense efficacement le manque de supervision. La généralisation à des configurations d'environnement inédites, documentée sur benchmarks, renforce la crédibilité de l'approche pour des déploiements industriels à conditions variables, là où les agents RL classiques montrent souvent leurs limites. La planification POMDP est un cadre théorique solide pour les agents en environnement partiellement observable, mais son adoption pratique a longtemps été freinée par la difficulté de construire des modèles fidèles. Les approches model-based comme DreamerV3 ou RSSM apprennent ces modèles sans intégrer de planification en ligne explicite calculable en temps réel. VOiLA comble ce fossé en combinant l'expressivité de la diffusion et la rapidité de la distillation pour rendre le POMDP tractable sur GPU, face à des concurrents directs comme RSAC, les planificateurs Monte Carlo Tree Search et les frameworks VLA. Aucun acteur français ou européen n'est impliqué dans ce travail, bien que des laboratoires comme l'INRIA ou le LAAS-CNRS pourraient directement exploiter ces résultats ; aucun partenariat industriel ni timeline de déploiement n'est annoncé dans ce preprint.

RecherchePaper

1 source

2arXiv cs.RO

Robots à travers différentes scènes : planification rapide et sûre de trajectoires par composition de diffusion

Une équipe de recherche présente un nouveau cadre de planification de trajectoire baptisé RSTP (diffusion composition), publié sur arXiv (2507.04384v4) avec une page projet dédiée. La méthode combine un champ d'énergie appris de façon conservative avec un processus de diffusion, ce qui permet d'intégrer plusieurs contraintes de sécurité et de cinématique sans réentraînement pour chaque nouvel environnement. Un filtre de sécurité léger est ajouté en aval pour garantir en temps réel le respect des contraintes de faisabilité cinématique. Les chercheurs ont aussi développé un pipeline de génération de données basé sur du contrôle prédictif (MPC), indépendant de la scène, pour produire à grande échelle des trajectoires d'entraînement dynamiquement réalisables. En simulation, le planificateur atteint un temps de calcul moyen de 0,21 seconde par trajectoire et un taux d'échec de seulement 0,57 %. Les tests réels ont été menés sur la plateforme robotique F1TENTH, où le système a maintenu une distance moyenne de sécurité de 0,26 mètre par rapport aux obstacles, même en présence d'incertitude des capteurs et dans des environnements dynamiques inédits. Cette avancée s'adresse directement à un problème central en robotique mobile et en navigation autonome: la difficulté de garantir simultanément vitesse de calcul, sécurité et généralisation face à des obstacles mouvants sans connaître à l'avance la scène. Les méthodes de diffusion, déjà populaires pour la génération de trajectoires en manipulation robotique et en conduite autonome, souffrent souvent d'un temps d'inférence trop long pour un usage temps réel, ou d'un manque de garanties de sécurité formelles. En démontrant un temps de planification compatible avec le temps réel tout en conservant un filtre de sécurité explicite, ce travail répond à une critique récurrente adressée aux approches génératives en robotique: leur difficulté à passer de la démonstration en simulation à un déploiement fiable sur robot physique. Le papier, une version révisée (v4) d'un article initialement soumis en juillet, s'inscrit dans la lignée des travaux combinant modèles de diffusion et planification sous contrainte, en concurrence avec des approches plus classiques de type MPC pur ou de champs de potentiel. La validation sur F1TENTH, plateforme standard de recherche en course autonome à petite échelle, ouvre la voie à des tests sur des robots de taille industrielle ou des véhicules autonomes complets, sans calendrier de déploiement commercial précisé à ce stade.

RecherchePaper

1 source

3arXiv cs.RO

Modélisation par diffusion optimale pour la planification de mouvement multi-robots

Des chercheurs présentent MDOC (Model-Based Diffusion Optimal Control), un planificateur de trajectoires pour flottes multi-robots fondé sur la diffusion, décrit dans un preprint publié sur arXiv (2607.12423). Contrairement aux approches récentes qui traitent la planification de trajectoires comme un problème d'inférence probabiliste et apprennent leurs fonctions de score à partir de larges jeux de données de démonstration, MDOC s'appuie directement sur des modèles de dynamique connus, sans données d'entraînement. Sa mécanique de sécurité combine ces modèles avec des projections contraintes par des Control Barrier Functions (CBF), et le système passe à l'échelle multi-robots grâce à la méthode de Conflict-Based Search (CBS), qui résout les conflits de trajectoires entre agents de façon hiérarchique. Les auteurs rapportent, en simulation, de meilleures performances que des planificateurs de référence en termes d'efficacité d'échantillonnage, de fluidité géométrique des trajectoires et de taux de réussite, tout en réduisant le temps de calcul et en garantissant des trajectoires sans collision. L'enjeu dépasse l'exercice académique : la planification de mouvement multi-robots en environnement continu se heurte à une explosion combinatoire de l'espace des trajectoires conjointes, et les méthodes par diffusion existantes peinent à garantir rigoureusement la faisabilité dynamique et les contraintes de sécurité strictes lors de l'échantillonnage. En s'affranchissant de la dépendance aux données de démonstration tout en conservant des garanties formelles de sécurité, MDOC répond à un frein réel à l'adoption industrielle de ces techniques pour des flottes d'AMR ou de robots collaboratifs, où l'absence de collision n'est pas négociable. Le travail s'inscrit dans la lignée des approches récentes qui recadrent la planification de trajectoires comme un problème d'inférence par diffusion, en s'en distinguant par son caractère "model-based" plutôt que piloté par les données. Il se positionne aussi comme une alternative aux méthodes classiques d'optimisation de trajectoire et de recherche multi-agents. À ce stade, les résultats restent limités à des expériences en simulation ; aucun déploiement sur robots physiques n'est mentionné, ce qui en fait une contribution méthodologique à confirmer avant tout usage en conditions réelles.

RecherchePaper

1 source

4arXiv cs.RO

Muninn : un modèle de diffusion de trajectoires, désormais plus rapide

Une équipe de chercheurs a publié Muninn (arXiv:2605.09999), un module d'accélération sans réentraînement pour les planificateurs de trajectoires basés sur la diffusion. Le système atteint jusqu'à 4,6x de gain en vitesse d'exécution sur plusieurs architectures de diffusion en espace d'état, sans dégradation mesurée des performances ni des métriques de sécurité. Muninn fonctionne comme un wrapper de cache : à chaque étape du débruitage itératif, il choisit en temps réel de recalculer la sortie du denoiser ou de réutiliser le résultat mis en cache. Cette décision repose sur deux signaux analytiques calibrés hors-ligne, une sonde légère de l'évolution de la représentation interne de la trajectoire et des coefficients de propagation d'erreur du denoiser, qui produisent ensemble un budget d'incertitude par étape. Ce budget borne formellement l'écart maximal entre la trajectoire mise en cache et celle qui aurait été calculée à pleine puissance de calcul. Les gains ont été validés sur matériel réel, en navigation en boucle fermée et en manipulation. La lenteur des modèles de diffusion en planification de trajectoires est un verrou bien identifié pour la robotique temps-réel. Les accélérations existantes imposaient jusqu'ici un compromis inévitable : modifier le sampler dégradait la qualité de trajectoire, tandis que la compression du réseau nécessitait un réentraînement coûteux. Muninn contourne ce dilemme en opérant strictement sans modifier les poids du modèle, ce qui le rend applicable immédiatement à n'importe quel planificateur diffusion déjà entraîné. Pour un intégrateur ou une équipe robotique industrielle, cela rend concrètement viables des architectures comme Diffusion Policy dans des boucles de contrôle haute fréquence. La certification analytique des bornes de déviation constitue un argument de poids pour les déploiements où la sécurité est une contrainte réglementaire. Les politiques par diffusion appliquées à la robotique ont émergé vers 2022-2023, portées notamment par Diffusion Policy (Chi et al., Columbia University), et se sont depuis déployées dans des architectures VLA et des planificateurs en espace d'état. Les méthodes d'accélération antérieures, DDIM et distillation par connaissance en tête, ne proposaient pas de cache adaptatif avec bornes certifiées, ce qui positionne Muninn comme une surcouche orthogonale et rétrocompatible avec l'existant. En tant que preprint arXiv, les résultats n'ont pas encore été soumis à revue par les pairs. Les prochaines étapes logiques concernent les stacks robotiques humanoïdes et industriels (Figure, Unitree, Boston Dynamics) qui expérimentent des politiques diffusion et cherchent à réduire la latence de planification en production. Le code est publié publiquement sur GitHub (gokulp01/Muninn).

RecherchePaper

1 source